Xiaomi стартира нова версия на AI-моделите MiMo V2.5, които позволяват превръщане на текст в глас и обратно

Xiaomi стартира нови гласови модели на изкуствен интелект

Компанията Xiaomi представи две версии на своите гласни ИИ-модели, които работят с текст и аудио:

МоделФункцияКлючови особеностиMiMo‑V2.5‑TTSТекст → говор 3 варианта, безплатни за ограничен период в MiMo Studio; настройка на скоростта, тона и емоциите; възможност за създаване на нови гласове по кратка фраза (VoiceDesign) и клониране на глас от малък набор образци (VoiceClone).MiMo‑V2.5‑ASRГовор → текстРазпознаване на устен говор в сложни условия, поддръжка на китайски диалекти + английски; двуезикови разговори и текстове на песни (вокал на фоновата музика); работа при силен шум; автоматично поставяне на пунктуация по интонациите. Как да използвате MiMo‑V2.5‑TTS 1. Базов вариант – избира един от предварително зададените гласове и позволява промяна на скоростта, тона и емоционалния нюанс. 2. VoiceDesign – въвежда кратка фраза, след което системата генерира нов тон на гласа. 3. VoiceClone – зарежда няколко образца от избран глас; моделът възпроизвежда го с запазване на стила и инструкциите. За постигане на желаното звучене потребителят може: - Добавя специални тагове към текста; - Описва гласа с прост естествен език (на китайски или английски); - Създава сценарии за виртуални постановки, където няколко гласове взаимодействат едновременно. Особености на MiMo‑V2.5‑ASR - Многоезичност – поддръжка на множество диалекти на китайския език и английски; - Декодиране на песни – моделът отделя вокала дори при наличие на фонова музика; - Устойчивост към шум – точна разпознаване в условия с силен външен шум; - Пунктуация по интонацията – автоматично поставя пунктуационни знаци, което намалява нуждата от ръчна корекция. Така Xiaomi разширява своите възможности в областта на гласовите технологии, предлагайки гъвкави инструменти както за създаване синтезирана реч, така и за точна разпознаване устна информация.